Python术语频率矢量器

借助Pythons的软件包scikit learn，我们可以轻松地将文档列表转换为具有以下功能的数据集：

-频率反转文档频率

，其中

术语

是文档中出现的单词

Python中的任何地方都是TfidfVectorizer与TfidfVectorizer的类似物，它会产生

-frequency

特性，即，我们不会通过反向文档频率对特性的值进行加权吗

---

与其他编程语言编写的解决方案相比，我更喜欢Python解决方案，但如果您知道Java中的任何易于使用的实现，您也可以提及它。

是的。它也在scikit learn中，被称为

CountVectorizer

import numpy as np
from sklearn.feature_extraction.text import CountVectorizer

data = ['this is sample 1', 'how about sample two', 'make three samples']
vectorizer = CountVectorizer()

transformed_data = vectorizer.fit_transform(data)

print (zip(vectorizer.get_feature_names(), np.ravel(transformed_data.sum(axis=0))))

输出：

[(u'about', 1),
 (u'how', 1),
 (u'is', 1),
 (u'make', 1),
 (u'sample', 2),
 (u'samples', 1),
 (u'this', 1),
 (u'three', 1),
 (u'two', 1)]